法律状态公告日
法律状态信息
法律状态
2022-06-03
公开
发明专利申请公布
技术领域
本发明涉及刀具磨损状态监测领域，特别是涉及一种基于摩擦起电原理的刀具磨损状态监测方法及系统。
背景技术
据统计，因刀具问题而导致的故障占了总故障的22.4％，实际生产中工人都是以自己的经验来判断刀具的磨损状态，比如被加工工件的个数和加工时间、被加工工件的表面质量和加工噪声情况以及切屑的形成。这就会存在一些问题：刀具未到使用寿命就换刀，造成刀具成本增加；刀具磨损严重才换刀影响被加工工件的加工精度，甚至损坏被加工工件和机床。应用智能化的刀具磨损状态监测技术十分必要。
目前刀具磨损状态监测技术主要分为：基于切削力信号的刀具磨损状态监测，基于声场信号的刀具磨损状态监测，基于振动信号的刀具磨损状态监测和基于机器视觉的刀具磨损状态监测。但由机械加工过程是一个不稳定的非线性过程，刀具磨损与刀具材料、被加工工件材料、加工条件等都有很大的关系。传统的传感器信号采集装置很难安装在被加工工件或者工作台上，并且相对的成本较高；而机器视觉的方法很难适用于复杂切削条件下的加工。因此，迫切需要研究出一种易安装、成本低、适用性强、准确度高的刀具磨损状态监测方法。
发明内容
本发明的目的是提供一种基于摩擦起电原理的刀具磨损状态监测方法及系统，具有易安装、成本低、适用性强和准确度高的特点。
为实现上述目的，本发明提供了如下方案：
一种基于摩擦起电原理的刀具磨损状态监测方法，包括：
获取被监测刀具的电压信号；所述被监测刀具的电压信号包括传感设备采集的被监测刀具的电压波形图和被加工工件的电压波形图；所述传感设备包括波形生成器以及与所述波形生成器的输入端均连接的第一传感器、第二传感器；所述第一传感器安装在所述被监测刀具上，所述第二传感器安装在所述加工工件上，且所述第一传感器和所述第二传感器均为基于摩擦起电原理制造的传感器；所述被加工工件为用所述被监测刀具进行加工的工件；
基于所述被监测刀具的电压信号和刀具磨损状态确定神经网络模型，确定所述被监测刀具的磨损程度。
可选地，所述第一传感器和所述第二传感器均为纳米摩擦发电机传感器模块；其中，所述纳米摩擦发电机传感器模块至少包括一个纳米摩擦发电机传感器。
可选地，当所述纳米摩擦发电机传感器模块包括多个且结构相同的纳米摩擦发电机传感器时，多个所述纳米摩擦发电机传感器层叠排列；
所述纳米摩擦发电机传感器包括固定端和开合端，且相邻所述纳米摩擦发电机传感器的开合端的朝向相反。
可选地，所述纳米摩擦发电机传感器包括依次叠层设置的第一基底、第一电极层、第一摩擦层、第二摩擦层、第二电极层以及第二基底，且在微小振动下，所述第一摩擦层和所述第二摩擦层能够进行开合操作。
可选地，所述基于所述被监测刀具的电压信号和刀具磨损状态确定神经网络模型，确定所述被监测刀具的磨损程度，具体包括：
对所述被监测刀具的电压信号进行降噪预处理；
将降噪预处理后的监测刀具的电压信号输入到刀具磨损状态确定神经网络模型，以确定所述被监测刀具的磨损程度。
可选地，所述刀具磨损状态确定神经网络模型是基于样本数据集和神经网络确定的；所述样本数据集包括多个样本刀具电压信号以及每个所述样本刀具电压信号对应的磨损程度；所述样本刀具电压信号包括传感设备采集且经过降噪预处理后的样本刀具的电压波形图和样本加工工件的电压波形图；所述样本加工工件为用所述样本刀具进行加工的工件。
可选地，所述磨损程度为轻微磨损、中度磨损或者急剧磨损；所述神经网络包括依次连接的特征提取网络层、特征融合层、度量函数以及分类层；
所述特征提取网络层，用于：
分别提取降噪预处理后的被监测刀具的电压波形图的特征向量和降噪预处理后的被加工工件的电压波形图的特征向量；
或者，分别提取降噪预处理后的样本刀具的电压波形图的特征向量和降噪预处理后的样本加工工件的电压波形图的特征向量；
所述特征融合层用于融合所述特征提取网络层输出的特征向量，得到融合向量；
所述度量函数层用于计算所述融合向量分别与不同磨损程度向量之间的相似度，确定每个磨损程度对应的相似值；
所述分类层用于基于每个磨损程度对应的相似值，分别计算第一概率、第二概率以及第三概率，并基于所述第一概率、所述第二概率以及所述第三概率，确定最大概率，然后将所述最大概率对应的磨损程度确定为被监测刀具或者样本工具的磨损程度；
所述第一概率为被监测刀具或者样本工具属于轻微磨损的概率；所述第二概率为被监测刀具或者样本工具属于中度磨损的概率；所述第三概率为被监测刀具或者样本工具属于急剧磨损的概率。
可选地，所述特征提取网络层包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、扁平层以及全连接层。
一种基于摩擦起电原理的刀具磨损状态监测系统，包括：
数据获取模块，用于获取被监测刀具的电压信号；所述被监测刀具的电压信号包括传感设备采集的被监测刀具的电压波形图和被加工工件的电压波形图；所述传感设备包括波形生成器以及与所述波形生成器的输入端均连接的第一传感器、第二传感器；所述第一传感器安装在所述被监测刀具上，所述第二传感器安装在所述加工工件上，且所述第一传感器和所述第二传感器均为基于摩擦起电原理制造的传感器；所述被加工工件为用所述被监测刀具进行加工的工件；
监测模块，用于基于所述被监测刀具的电压信号和刀具磨损状态确定神经网络模型，确定所述被监测刀具的磨损程度。
可选地，所述第一传感器和所述第二传感器均为纳米摩擦发电机传感器模块；其中，所述纳米摩擦发电机传感器模块至少包括一个纳米摩擦发电机传感器；
当所述纳米摩擦发电机传感器模块包括多个且结构相同的纳米摩擦发电机传感器时，多个所述纳米摩擦发电机传感器层叠排列；
所述纳米摩擦发电机传感器包括固定端和开合端，且相邻所述纳米摩擦发电机传感器的开合端的朝向相反。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
考虑到传统传感器成本高，不易安装等特点，本发明利用基于摩擦起电原理制造的传感器的特性将其作为一种特殊的传感器，来采集被监测刀具的磨损信号，即电压波形图；在自动提取图像特征的时候，本发明采集的卷积神经网络，相比较于传统特征提取方法，能够起到很好的数据降维和加快算法运行时间作用，在比较完整地表达特征的同时，还忽略了那些无关紧要的小特征对刀具磨损状态识别的影响，具有算法实现简单，刀具磨损状态识别率高，运行效率高等优点，因此，本发明具有易安装、成本低、适用性强和准确度高的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的纳米摩擦发电机传感器模块的结构示意图；
图2为本发明实施例提供的基于摩擦起电原理的刀具磨损状态监测装置的整体示意图；
图3为本发明实施例提供的刀具磨损状态分类方法流程图；
图4为本发明实施例提供的刀具磨损类别图；
图5为本发明实施例提供的卷积神经网络模型结构图；
图6为本发明实施例提供的卷积神经网络模型三维结构图；
图7为本发明实施例提供的基于摩擦起电原理的刀具磨损状态监测方法的流程示意图；
图8为本发明实施例提供的基于摩擦起电原理的刀具磨损状态监测方法的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例涉及纳米摩擦发电机(英文简称：TENG)以及刀具磨损状态分类领域，具体地说是一种基于摩擦起电原理的且能够实时监测当前刀具磨损状态的方法，即一种基于纳米摩擦发电机的刀具磨损状态监测方法，主要包括：1)纳米摩擦发电机传感器模块；2)刀具磨损状态分类模块。
本发明实施例提出了一种利用纳米摩擦发电机作为一种特殊的传感器用来监测刀具磨损状态的方法，可以通过实时采集被加工工件和被监测刀具上的TENG所输出的电压信号，对电压波形图进行降噪处理，将其作为数据输入到本发明实施例设计的参数化神经网络中，网络结构包括：特征提取网络、特征融合层、度量函数以及分类层，最后输出当前所对应的刀具磨损状态。
图1为本发明实施例提供的纳米摩擦发电机传感器模块的结构示意图。如图1所示，本发明实施例所采用的纳米摩擦发电机传感器模块是简单的接触分离模式“Z”型结构。该纳米摩擦发电机传感器模块包括第一组TENG1，第二组TENG2，第三组TENG3；其中，以第一组TENG1为例，第一组TENG1包括第一摩擦单元11和第二摩擦单元12，且第一摩擦单元11的一端与第二摩擦单元12的一端连接，第一摩擦单元11的另一端与第二摩擦单元12的一端未连接，以使第一摩擦单元11和第二摩擦单元12在微小振动下第一摩擦单元11和第二摩擦单元12实现分离和接触；第一摩擦单元11从上至下依次包括第一基底111，第一电极层112和第一摩擦层113；第一摩擦单元12从上至下依次包括第二摩擦层123，第二电极层122以及第二基底121，即微小振动下第二摩擦层123与第一摩擦层113实现分离和接触；第二组TENG2，第三组TENG3同第一组TENG1。
如图2所示，本发明实施例将纳米摩擦发电机传感器模块分别安置于被加工工件和被监测刀具上，利用加工时微小振动引起的TENG接触分离，产生电压，然后通过示波器采集到电压波形图，作为神经网络的输入，与此同时离线测量当前被监测刀具的磨损值并判断当前磨损状态，作为神经网络的输出。一个波形图对应一个磨损状态，这样就构成一组数据样本，共采集300组数据样本作为数据集传入计算机。
步骤S1：对于一个完整的刀具寿命周期，主要分为轻微磨损、中度磨损和急剧磨损。通过采集300组不同磨损阶段下的TENG输出的电压信号波形图，将其进行手动标记标签即新建文档，存储图像名和所对应的标签，标签采用one-hot编码进行向量化处理为：轻微磨损标记为a
步骤S2：将所有采集的电压波形图进行降噪预处理，降噪方法采用小波阈值降噪。首先需要重置尺寸，即将原图的宽高尺寸设置成28px 28px大小，表示为(28，28)；然后对重置尺寸后的图像进行小波阈值降噪处理，其中小波基、阈值以及阈值函数的选择可以按照如下过程进行：
(1)小波基函数采用“sym8”，层数为5层；
(2)阈值的选择采用如下公式：
式中，cD
(3)阈值函数采用软硬阈值折中的方法，用公式表示为：
式中，x表示信号数据值；
步骤S3：将预处理后的电压波形图作为输入，对应的刀具磨损状态作为输出，建立参数化神经网络模型P(y|x,θ)，如图4所示，其中包括：特征提取层、特征融合层、度量函数层、分类层；
步骤S4：在训练集上，初始化特征提取网络模型参数、学习率和迭代步数等；
(1)w
(2)b＝0，其中，b表示网络模型参数中的偏置；
(3)α＝0.001，其中，α为学习率。学习率决定更新参数的速度，如果学习率过高，可能会超过全局最优值；
(4)δ＝1000，其中δ为迭代步数。
步骤S5：通过特征提取层分别提取工件TENG和刀具TENG的电压波形图特征。特征提取层网络结构如图5所示，利用多层卷积、池化层来提取波形图中的时域、频域、以及时频域等与刀具磨损有关的特征，再通过全连接层输出一个尺寸为3的特征向量，具体过程如下：
第一层为卷积层，网络输入原始图像的压缩图像，其尺寸为28*28*1。卷积核尺寸为3*3，深度为32，激活函数是RELU。
第二层为池化层，采用最大池化，网络输入的特征图尺寸为28*28*32，过滤器尺寸为2*2。
第三层为卷积层，网络输入的特征图尺寸为14*14*32，卷积核尺寸为3*3，深度为64，激活函数为RELU。
第四层为池化层，采用最大池化算子，网络输入的特征图尺寸为7*7*64，过滤器尺寸为2*2。
第五层是扁平层，输出为3136个参数的特征向量。
第六层是全连接层，输出为3个参数的特征向量。
网络各层的深度如图6所示，且本发明使用RELU作为激活函数，其函数表达式为：
步骤S6：通过特征融合层进行特征融合，采用加权平均的方式得到最佳特征向量。
步骤S7：度量函数层主要是通过余弦函数来度量两个向量a和b之间的相似性，用相似度c来表示：
例如：得到特征向量v＝(10,1,2)，轻微磨损a
步骤S8：分类层是通过相似度来计算当前刀具磨损分别属于三种状态下的概率，输出的是一个尺寸为3的特征向量，代表着当前刀具属于每个磨损状态下的概率值，即得到当前磨损状态，用公式可以表示为：
例如：
步骤S9：得到的概率向量与对应的one-hot标签之间存在误差，计算前向传播当前的交叉熵损失，在后向传播通过随机梯度下降的方式来更新优化参数化神经网络模型的参数θ，具体过程可以表示为：
其中，θ表示更新前的参数，θ′表示更新后的参数，α表示学习率，
步骤S10：将测试集输入到参数化神经网络模型中，输出测试刀具磨损状态预测概率及分类结果。
步骤S11：根据参数化神经网络模型预测被监测刀具的磨损状态。
本发明实施例的技术特征点为：
一是，利用TENG在不同接触程度下的电压、电流、功率等输出大小不同的特性，将其制备成一种特殊传感器。TENG能够作为各类加工的稳定传感器，且不需要供电，免去传统传感器的繁琐步骤，同时更加环保；
二是，利用TENG易制备且安装便捷等特点，将其安置于工件及刀具上，便于信号数据采集；
三是，采用“Z”型结构，提高TENG的电压输出效率；
四是，通过示波器采集TENG输出的电压波形图，采用波形图作为神经网络的输入用来判断当前刀具磨损状态；
五是，采用小波阈值降噪对波形图进行降噪处理，使得到的特征更具有效性；
六是，建立了参数化神经网络模型，包括：特征提取网络、特征融合层、度量函数以及分类层；
七是，融合了工件和刀具对应的TENG输出电压波形图，提高预测准确率；
八是，度量函数采用余弦相似度函数，用于判断向量之间的相似性；
本发明实施例的益处是：采用TENG作为传感器，成本低、易制作、安装便捷等；能够作为各类加工的稳定传感器，且不需要供电，免去传统传感器的繁琐步骤，同时更加环保；采用摩擦起电原理能够很好收集低频能量；采用“Z”型结构，可以提高电压输出效率；采用小波阈值降噪处理波形图，特征更具有效性；通过融合工件和刀具TENG波形图特征，提高预测准确率；采用度量函数来判断向量之间的相似性，提高了预测效率和准确率；综上所述，本发明方法利用TENG便捷、高效、稳定等特性，结合深度学习方法，实时的对当前刀具磨损状态进行准确预测。
实施例二
如图7所示，本实施例提供的一种基于摩擦起电原理的刀具磨损状态监测方法，包括：
步骤701：获取被监测刀具的电压信号；所述被监测刀具的电压信号包括传感设备采集的被监测刀具的电压波形图和被加工工件的电压波形图；所述传感设备包括波形生成器以及与所述波形生成器的输入端均连接的第一传感器、第二传感器；所述第一传感器安装在所述被监测刀具上，所述第二传感器安装在所述加工工件上，且所述第一传感器和所述第二传感器均为基于摩擦起电原理制造的传感器；所述被加工工件为用所述被监测刀具进行加工的工件。
步骤702：基于所述被监测刀具的电压信号和刀具磨损状态确定神经网络模型，确定所述被监测刀具的磨损程度。
在图7所述的实施例基础上，所述第一传感器和所述第二传感器均为纳米摩擦发电机传感器模块；其中，所述纳米摩擦发电机传感器模块至少包括一个纳米摩擦发电机传感器，并当所述纳米摩擦发电机传感器模块包括多个且结构相同的纳米摩擦发电机传感器时，多个所述纳米摩擦发电机传感器层叠排列；所述纳米摩擦发电机传感器包括固定端和开合端，且相邻所述纳米摩擦发电机传感器的开合端的朝向相反。
进一步地，所述纳米摩擦发电机传感器包括依次叠层设置的第一基底、第一电极层、第一摩擦层、第二摩擦层、第二电极层以及第二基底，且在微小振动下，所述第一摩擦层和所述第二摩擦层能够进行开合操作。
在图7所述的实施例基础上，步骤702具体包括：
对所述被监测刀具的电压信号进行降噪预处理；将降噪预处理后的监测刀具的电压信号输入到刀具磨损状态确定神经网络模型，以确定所述被监测刀具的磨损程度。
在图7所述的实施例基础上，所述刀具磨损状态确定神经网络模型是基于样本数据集和神经网络确定的；所述样本数据集包括多个样本刀具电压信号以及每个所述样本刀具电压信号对应的磨损程度；所述样本刀具电压信号包括传感设备采集且经过降噪预处理后的样本刀具的电压波形图和样本加工工件的电压波形图；所述样本加工工件为用所述样本刀具进行加工的工件。
进一步地，所述磨损程度为轻微磨损、中度磨损或者急剧磨损；所述神经网络包括依次连接的特征提取网络层、特征融合层、度量函数以及分类层；
所述特征提取网络层，用于：
分别提取降噪预处理后的被监测刀具的电压波形图的特征向量和降噪预处理后的被加工工件的电压波形图的特征向量；
或者，分别提取降噪预处理后的样本刀具的电压波形图的特征向量和降噪预处理后的样本加工工件的电压波形图的特征向量。
所述特征融合层用于融合所述特征提取网络层输出的特征向量，得到融合向量。
所述度量函数层用于计算所述融合向量分别与不同磨损程度向量之间的相似度，确定每个磨损程度对应的相似值。
所述分类层用于基于每个磨损程度对应的相似值，分别计算第一概率、第二概率以及第三概率，并基于所述第一概率、所述第二概率以及所述第三概率，确定最大概率，然后将所述最大概率对应的磨损程度确定为被监测刀具或者样本工具的磨损程度。
所述第一概率为被监测刀具或者样本工具属于轻微磨损的概率；所述第二概率为被监测刀具或者样本工具属于中度磨损的概率；所述第三概率为被监测刀具或者样本工具属于急剧磨损的概率。
其中，所述特征提取网络层包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、扁平层以及全连接层。
实施例三
如图8所示，本发明实施例一种基于摩擦起电原理的刀具磨损状态监测系统，其特征在于，包括：
数据获取模块801，用于获取被监测刀具的电压信号；所述被监测刀具的电压信号包括传感设备采集的被监测刀具的电压波形图和被加工工件的电压波形图；所述传感设备包括波形生成器以及与所述波形生成器的输入端均连接的第一传感器、第二传感器；所述第一传感器安装在所述被监测刀具上，所述第二传感器安装在所述加工工件上，且所述第一传感器和所述第二传感器均为基于摩擦起电原理制造的传感器；所述被加工工件为用所述被监测刀具进行加工的工件。
监测模块802，用于基于所述被监测刀具的电压信号和刀具磨损状态确定神经网络模型，确定所述被监测刀具的磨损程度。
进一步地，所述第一传感器和所述第二传感器均为纳米摩擦发电机传感器模块；其中，所述纳米摩擦发电机传感器模块至少包括一个纳米摩擦发电机传感器；当所述纳米摩擦发电机传感器模块包括多个且结构相同的纳米摩擦发电机传感器时，多个所述纳米摩擦发电机传感器层叠排列；所述纳米摩擦发电机传感器包括固定端和开合端，且相邻所述纳米摩擦发电机传感器的开合端的朝向相反。
为了解决现有刀具磨损状态监测的缺陷问题，在满足辨识实时性和准确率的同时降低成本。本发明实施例提出了一种基于摩擦起电原理的刀具磨损状态监测方法及系统，使用成本低、效率高的TENG作为传感器的基础上实现刀具磨损状态监测。具体为：
本发明考虑到传统传感器成本高，不易安装等特点，利用TENG的特性将其作为一种特殊的传感器；在考虑采集图像特征的时候，利用卷积神经网络自动提取特征，相比较于传统特征提取方法能够起到很好的数据降维和加快算法运行时间作用，在比较完整地表达特征的同时，还忽略了那些无关紧要的小特征对刀具磨损状态识别的影响。该方法具有算法实现简单，并且刀具磨损状态识别率高，运行效率高，由于考虑了采集图像的噪声影响，采集完之后，需对图像进行小波阈值降噪处理，明显减少了计算数据量和提高了识别率，以高效且准确的方法得到最终的辨别结果。该方法将图像中的刀具磨损特征提取，通过度量函数来计算样本特征向量之间的相似性，利用相似度来对刀具磨损状态进行三分类，综合以上因素，通过利用基于TENG的方法实现了对刀具磨损相关信号的采集，并通过提取图像特征来进行状态分类辨别。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
